Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Application du Machine Learning pour des inférences directes sur des mesures comprimées dans H/F


Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.  

Référence

2021-19194  

Description de l'unité

Le CEA LIST focalise ses recherches sur les systèmes numériques intelligents. Porteurs d'enjeux économiques et sociétaux majeurs, ses programmes de R&D sont centrés sur le manufacturing avancé (robotique, réalité virtuelle & augmentée, contrôle non destructif, vision), les systèmes embarqués (sûreté & sécurité, ingénierie logicielle et systèmes, architectures de calcul), l'intelligence ambiante (capteurs, instrumentation & métrologie, communication & interfaces sensorielles, traitement de données & multimédia). En développant des technologies de pointe dont les applications couvrent les secteurs des transports, de la sécurité/défense, du manufacturing, de l'énergie, de la santé, le CEA LIST contribue à la compétitivité industrielle de ses partenaires par l'innovation et le transfert technologique. Le CEA LIST a une expérience de plus de 15 ans dans le diagnostic des réseaux filaires. Il a participé à plusieurs projets académiques et industriels dans ce domaine et a contribué au prototypage de systèmes de diagnostic embarqué dans le domaine du transport, l'énergie, oil&gaz, etc., avec le développement d'un circuit intégré spécifique. Il possède plusieurs briques technologiques sur les points spécifiques suivants :
- Diagnostic des câbles et de leurs jonctions (défaut franc, défaut non franc, défaut intermittent, etc.).
- Reconstruction de la topologie.
- Caractérisation des câbles
- Surveillance de l'environnement des câbles.
- Intégration matérielle.

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Application du Machine Learning pour des inférences directes sur des mesures comprimées dans H/F

Sujet de stage

La réflectométrie est une méthode de diagnostic qui permet d'identifier et caractériser des défauts électriques sur des lignes de transmission grâce à l'analyse de la réflexion d'un signal de sonde envoyé dans le câble. L'augmentation de la bande passante du signal réfléchi est un enjeu majeur afin d'améliorer la localisation du défaut. Une des solutions novatrices est la technique de l'échantillonnage comprimé qui permet à partir d'une quantité limitée de données acquises, une reconstruction pertinente du signal, et ce grâce à des algorithmes de reconstruction performants. Cependant, ces derniers sont souvent coûteux en temps de calcul et peu efficaces à des taux de compression élevés.
Dans le stage proposé, nous proposons de bypasser l'étape de reconstruction du signal réfléchi et nous explorons la possibilité de réaliser des inférences efficaces de haut niveau sur la présence et la nature des défauts dans les câbles directement sur les mesures comprimées, grâce au Machine Learning.

Durée du contrat (en mois)

6

Description de l'offre

Le stage proposé est une collaboration entre le Laboratoire Fiabilité & Intégration capteur (LFIC) et le laboratoire de sciences des données et de la décision (LS2D). Il consiste à utiliser les techniques du Machine Learning, en particulier l’apprentissage profond, pour classifier, à partir des échantillons comprimés acquises avec la technique de l’échantillonnage comprimé, les états du câble (câble sain, câble endommagé) et détecter la nature et la position des différents défauts. 

L’avantage de la combinaison des deux techniques de l’échantillonnage comprimé (Compressive sampling, CS) et du Machine Learning est double : les échantillons comprimés acquis par le Compressive Sampling présentent une base de données de dimension réduite adaptée à l’application des algorithmes de Machine Learning. En plus, les méthodes issues du Machine Learning permettraient d’éviter l’utilisation d’algorithmes de reconstruction gourmands en temps de calcul et ainsi gagner en temps pour la détection des défauts.

Dans un premier temps, le candidat devra dresser l’état de l’art de l’application du Machine Learning associé à l’échantillonnage comprimé et étudier, à la lumière de cette revue bibliographique, les techniques les plus adaptées de Machine Learning dans le domaine de la réflectométrie.

Ensuite, le candidat devra construire une base d’apprentissage sous forme d’une base de données d’échantillons comprimés pour y stocker les signatures des défauts et les éléments les plus fréquemment rencontrés. Il appliquera par la suite les techniques de Machine Learning sur la base construite afin de classifier les défauts à partir des échantillons comprimés. La finalité de cet outil sera de détecter la nature du défaut (défaut franc ou non-franc) et pouvoir le localiser. Le candidat s’intéressera finalement aux méthodes d’élagage de réseaux de neurones profonds en vue de les adapter aux modèles appris.

L’outil devra être le plus modulaire possible afin d’être plus tard intégrable aux outils logiciels d’une plateforme de tests et mesures (plateforme Chronos hébergée par le CEA List et financée par la région Ile-de-France) pour la détection et caractérisation de défauts.

Localisation du poste

Site

Saclay

Localisation du poste

France, Ile-de-France, Essonne (91)

Ville

GIF-SUR-YVETTE

Critères candidat

Diplôme préparé

Bac+5 - Master 2

Possibilité de poursuite en thèse

Oui

Demandeur

Disponibilité du poste

01/03/2022